Il tuo selezionatore ottico è cieco davanti alla plastica nera. Abbiamo smesso di chiamarlo un problema software.

La prima volta che ho davvero compreso il problema, me ne stavo in fondo a una linea dei residui, a osservare.

Un vassoio di polipropilene nero è sceso lungo il nastro, ha superato una fila di selezionatori ottici che erano costati buona parte di mezzo milione di dollari ed è finito nel flusso degli scarti insieme a tutto il resto destinato alla discarica. L'eiettore sopra di esso non è mai scattato. Non perché il software abbia preso una decisione sbagliata. Ma perché il software non ha visto proprio nulla. Per quel selezionatore, un vassoio nero su un nastro di gomma nero è un vuoto. Non c'è niente da classificare.

Quel vassoio vale la pena di essere recuperato. Il PP, il PE e l'ABS neri costituiscono tra il 3 e il 15 percento di un tipico flusso di plastiche, a seconda della regione, e quasi tutto finisce tra i residui. Per un impianto di medie dimensioni questo si traduce in una somma a sette cifre, pagata ogni anno come tariffa di conferimento in discarica per un materiale che un acquirente comprerebbe volentieri. Questa è la lacuna attorno alla quale abbiamo costruito il lavoro di Veriprajna sul recupero dei materiali e la selezione delle plastiche nere: non «portare l'IA nel riciclo», perché il riciclo ha già più IA della maggior parte dei settori, ma risolvere l'unica cosa che tutta quell'IA continua a ignorare.

Ci sono entrato convinto che fosse un problema di machine learning. Ne sono uscito capendo che era un problema di fisica travestito da machine learning, e che la cosa più preziosa che potevamo fare era, a volte, dire a un direttore d'impianto di spendere meno soldi di quanto si aspettasse.

Perché un selezionatore da mezzo milione di dollari diventa cieco davanti alla plastica nera?

I selezionatori ottici standard leggono i polimeri con luce nel vicino infrarosso, nell'intervallo tra 0,9 e 1,7 micron. Il meccanismo è elegante: ogni plastica ha un'impronta molecolare, e i legami al suo interno, gli stiramenti carbonio-idrogeno e ossigeno-idrogeno, assorbono specifiche lunghezze d'onda NIR secondo uno schema che il sensore può confrontare con una libreria. TOMRA, Machinex, Pellenc, l'intero settore di fascia alta funziona su qualche versione di questo principio.

Il nero di carbonio manda tutto in tilt. Il pigmento assorbe praticamente tutta la luce del vicino infrarosso prima che possa raggiungere quei legami molecolari e tornare indietro. Il rilevatore non riceve nulla. Puoi riaddestrare il modello quanto vuoi; non c'è alcun segnale nell'input da cui imparare.

Nessuna quantità di addestramento dell'IA risolve un input a segnale zero. I fotoni non raggiungono mai il rilevatore. Questa è fisica del sensore, non un aggiornamento del firmware.

Quella frase è l'intera ragione per cui esiste un approccio diverso. La soluzione consiste nel cambiare quale parte dello spettro si osserva. L'infrarosso a onda media, all'incirca da 2,7 a 5,3 micron, legge le vibrazioni fondamentali delle molecole polimeriche anziché le deboli armoniche che il NIR capta e, man mano che la lunghezza d'onda sale, la presa del nero di carbonio si allenta. Intorno ai 3 micron il pigmento diventa di fatto trasparente, e il picco di stiramento carbonio-idrogeno a 3,4 micron emerge nitido e inequivocabile. Un vassoio nero che nella visione NIR era un buco diventa una firma pulita e frastagliata nel MWIR. I modi aromatici carbonio-idrogeno del polistirene si separano nettamente dalle bande alifatiche del PE e del PP. La telecamera che impieghiamo, una Specim FX50, cattura 154 bande spettrali in quell'intervallo. Non sta vedendo forme nere. Sta leggendo la composizione chimica alla velocità del nastro trasportatore.

Quando l'ho abbozzato per la prima volta, pensavo che la storia finisse lì. Nuova telecamera, nuovo spettro, problema risolto. Non finiva lì.

Il numero che la brochure non vuole farti vedere

I materiali di marketing di Specim, e gran parte della stampa sulla selezione MWIR, ti indirizzano verso valori di accuratezza vicini al 99 percento. Era quel numero che avevo in testa quando abbiamo iniziato a costruire il classificatore. Abbiamo addestrato una rete neurale convoluzionale 1D sugli spettri, l'abbiamo vista comportarsi splendidamente su campioni di riferimento puliti, e mi sono lasciato convincere di essere quasi arrivato al traguardo.

Poi l'abbiamo messa alla prova con il tipo di input che vede un vero impianto di selezione (MRF). Non pellet immacolati. Oggetti interi, graffiati, sporchi di cibo, coperti di etichette, sovrapposti su un nastro in movimento, con la polvere e lo sporco che ricopre ogni cosa in un impianto di riciclo. L'accuratezza bilanciata è risultata pari all'83,4 percento.

Voglio essere onesto su come l'ho vissuta, perché è stato il momento più importante del progetto. Il mio primo istinto è stato che avessimo fatto qualcosa di sbagliato, che ci fosse un bug nella pipeline, una calibrazione che avevamo saltato. Non c'era. Un articolo sottoposto a revisione paritaria pubblicato su Resources, Conservation and Recycling nel gennaio 2026, esattamente su questo problema, MWIR più una CNN per l'identificazione della plastica nera, riportava lo stesso tipo di cifra sui rifiuti reali. Il 99 percento era un numero da laboratorio. L'83 percento era il mondo reale.

Il divario tra la demo di laboratorio e il nastro sporco è dove muore silenziosamente la maggior parte delle tecnologie di riciclo. Abbiamo deciso di abitare quel divario invece di nasconderlo.

Questo ha riformulato tutto il nostro modo di presentarci. Abbiamo smesso di promettere un recupero quasi perfetto e abbiamo iniziato a parlare di tassi di recupero realistici, quelli che ripagano comunque il sistema diverse volte, perché anche all'83 percento i conti non sono affatto in bilico. Un impianto da 50.000 tonnellate all'anno che tratta il 5 percento di plastica nera è seduto su circa 2.500 tonnellate di polimero recuperabile. Ai prezzi correnti del PP riciclato e al costo evitato della discarica, il caso onesto e prudente si attesta intorno a 2,2 - 2,7 milioni di impatto annuo sul conto economico, contro un costo di retrofit dell'ordine di poche centinaia di migliaia. Non serve il 99 percento perché quei conti tornino. Serve smettere di fingere di averlo.

«Basta comprare l'hardware più veloce» era il mio istinto sbagliato

La seconda cosa che ho sbagliato riguardava la velocità.

C'è una vera domanda di ingegneria nascosta in qualsiasi linea di selezione: quanto velocemente si può passare da «la telecamera ha visto un vassoio di PP nero» a «la valvola dell'aria ha sparato esattamente nel punto giusto»? Se quella latenza è troppo lunga, il nastro ha già portato l'oggetto oltre la finestra di scatto, e l'eiettore o manca il bersaglio o prende il vassoio più due vicini, e la tua purezza crolla. All'inizio davo per scontato che la risposta fosse sempre hardware più veloce e più deterministico, una pipeline di flusso dati FPGA capace di raggiungere circa 2 millisecondi senza jitter. Ne avevamo persino iniziato a progettarne una.

Poi ho effettivamente fatto i conti per un impianto rappresentativo, e mi hanno messo in imbarazzo. Immagina un impianto da 50.000 tonnellate, un nastro largo 1,2 metri a 3 metri al secondo, ugelli eiettori distanziati di 12,5 millimetri, e una pipeline edge-GPU non ottimizzata che impiega 50 millisecondi. La velocità del nastro moltiplicata per la latenza dà 150 millimetri di percorso prima che la valvola scatti, e con il jitter la reale finestra di scatto si spalma su 200 - 260 millimetri, ben oltre un bersaglio di 60 - 90 millimetri. Ovviamente la purezza cala. Ma la soluzione non è l'FPGA.

La soluzione, per quell'impianto, è ottimizzare la pipeline GPU, TensorRT, batch size uno, fusione dei kernel, mezza precisione, il che riduce la latenza a 12 - 18 millisecondi. Ora il tuo errore di percorso è di 36 - 54 millimetri e il sistema funziona, con zero spesa in hardware, solo ingegneria. La via dell'FPGA, 2 millisecondi e 6 millimetri di errore, si ripaga soltanto oltre una velocità del nastro di circa 5 metri al secondo, e porta con sé mesi di ingegneria specializzata. La maggior parte degli impianti non va a 5 metri al secondo.

La risposta onesta a «mi serve il costoso hardware deterministico» è di solito no, e le uniche persone che te lo diranno sono quelle che non te lo stanno vendendo.

Così abbiamo integrato quei conti in una fase di scoperta. La eseguiamo per prima cosa, prima di proporre qualsiasi cosa, e più spesso che no diciamo al cliente la risposta più economica. Ci fa guadagnare di meno. Significa anche che il prossimo direttore d'impianto sente parlare di noi dal precedente.

Cosa succede quando la telecamera MWIR si guasta?

Il primo incontro riguarda se il MWIR possa vedere la plastica nera. Il secondo incontro è sempre la stessa domanda, ed è quella che separa chi ha davvero messo in campo questa attrezzatura da chi vende slide: cosa succede quando la telecamera si guasta?

È un timore legittimo. La Specim FX50 raffredda il suo rilevatore a circa 77 Kelvin con un raffreddatore Stirling integrato, e quel raffreddatore è la parte che si usura. La scheda tecnica dichiara 10.000 ore. In un MRF reale, con infiltrazioni di polvere e vibrazioni costanti, mettine in conto 7.000 - 8.000. A 16 ore al giorno, questo significa un intervento di manutenzione al raffreddatore all'incirca ogni 14 - 18 mesi, e il tempo di consegna del ricambio da Specim va dalle 12 alle 16 settimane. Se la tua linea di recupero resta ferma per un trimestre finanziario perché un criorefrigeratore è su una nave, non hai comprato una soluzione, hai comprato una passività.

Perciò il piano di emergenza è parte della costruzione, non un ripensamento. La telecamera è montata su una staffa hot-swap, così si stacca in mezz'ora, e i raffreddatori funzionano a rotazione: uno viene ritirato per la revisione prima che si guasti e torna come ricambio per il ciclo successivo. Mentre un'unità è fuori servizio, una modalità di ripiego degradata esegue la sola segmentazione RGB, a minore accuratezza, così la linea non si ferma mai del tutto. Sotto tutto questo c'è una seconda fonte di sensori qualificata, tra cui Telops e IRCameras, perché quasi ogni proposta MWIR in questo mercato dipende silenziosamente da un'unica telecamera di un'unica azienda, e un impianto che scommette milioni sul recupero merita di meglio di un singolo punto di guasto di cui ignorava l'esistenza.

Dove il settore si ferma, e perché

Voglio essere preciso sulla concorrenza, perché lo spazio dell'IA per il riciclo è davvero affollato e non pretendo il contrario. TOMRA usa il deep learning all'edge dal 2022 e ha migliaia di unità sul campo. La ragione per cui questa lacuna esiste ancora non è che gli operatori affermati stiano dormendo. È che ciascuno di loro si ferma appena prima di essa, per ragioni strutturali.

Quelli che possono vedere la plastica nera la vendono in pacchetto. L'Autosort Black di TOMRA è una macchina separata all'interno di una linea che parte da circa 450.000 - 650.000 euro, con software chiuso che non puoi concedere in licenza su hardware che già possiedi. L'UniSort BlackEye di Steinert usa davvero il MWIR, ma è calibrato come selezionatore di finitura per fiocchi puliti a circa una tonnellata l'ora, non per input di oggetti interi contaminati provenienti da un flusso primario. Quelli che non riescono a vederla sono onesti al riguardo in modi diversi: la linea iperspettrale di Machinex lavora nello SWIR, che sbatte contro lo stesso muro del nero di carbonio del NIR standard; il rilevamento di profilo di Pellenc può segnalare «un oggetto nero nel flusso» per la rimozione dei contaminanti ma non ti distingue il PP nero dal PS nero; i selezionatori robotici di AMP e gli analizzatori di Greyparrot fanno un lavoro reale, prelevando e misurando rispettivamente, ma con telecamere RGB che non riescono affatto a classificare i polimeri.

Ogni fornitore in questo mercato è eccellente in qualcosa di adiacente al tuo problema della plastica nera. Nessuno di loro vende il retrofit che lo risolve direttamente.

È tutto lì lo spazio da cogliere. Non sostituiamo il selezionatore che qualcuno ha già pagato. Aggiungiamo una stazione di rilevamento, di solito sul nastro laterale che raccoglie lo scarto ad alta presenza di nero, con una telecamera RGB per individuare i contorni degli oggetti, la FX50 per classificare gli spettri al loro interno, e un'interfaccia pulita verso il PLC della macchina esistente tramite OPC-UA, Modbus o EtherCAT per azionare gli eiettori esistenti. L'acquirente conserva il 92 percento del flusso che la sua linea attuale gestisce bene e recupera la fetta che era stata costruita per ignorare.

E c'è una versione più difficile e a margine più alto di tutto questo per i riciclatori di elettronica. L'elettronica a fine vita è piena di ABS nero, gran parte del quale carico di ritardanti di fiamma bromurati che la RoHS vieta di reimmettere in nuove apparecchiature, e il 40 - 50 percento delle plastiche RAEE raccolte non viene mai riciclato correttamente a causa di ciò. La fluorescenza a raggi X può leggere il bromo ma non il polimero; il MWIR legge il polimero ma non il bromo. Fondi i due in un'unica testa di classificazione, che gira a circa 5 millisecondi, e puoi separare l'ABS riciclato pulito dagli scarti con ritardanti di fiamma in un unico passaggio, laddove la maggior parte degli impianti ne esegue ancora due. Usati insieme, i sensori rimuovono fino al 98 percento delle plastiche bromurate dal flusso. Quel problema di fusione dei sensori è in gran parte irrisolto a livello di produzione, ed è esattamente per questo che vale la pena costruirlo.

Il problema della plastica nera ha un orologio da quindici anni

Chi segue il settore degli imballaggi solleverà l'obiezione ovvia: perché costruire un'infrastruttura per il nero di carbonio, quando i marchi potrebbero semplicemente passare a pigmenti neri rilevabili dal NIR e il problema svanisce alla fonte? È un movimento reale. UPM ha lanciato un nero rilevabile dal NIR di origine biologica alla fine del 2025; Cabot ha alternative conformi al contatto con gli alimenti; Ampacet ha masterbatch calibrati per la selezionabilità.

Ci ho ragionato a fondo, perché se la sostituzione stesse per cancellare il problema, costruire una pratica MWIR sarebbe una cattiva scommessa. Non è così. Il nero di carbonio standard costa circa 0,20 euro al chilogrammo; le alternative rilevabili costano da tre a sei volte tanto, prima ancora del costo di riqualificazione degli imballaggi a contatto con gli alimenti. L'adozione dal 2018 è stata lenta, le stime migliori collocano il nero rilevabile sotto il 10 percento degli imballaggi neri dei beni di largo consumo, e il flusso preesistente non ha altra destinazione: gli interni delle automobili non stanno cambiando, gli involucri dell'elettronica non stanno cambiando, gli imballaggi private-label sensibili ai costi non stanno cambiando.

Quindi questa è una transizione da 15-20 anni, non un precipizio. L'inquadramento onesto, quello in cui credo davvero, è recupero MWIR ora mentre i marchi convertono lentamente, e la stessa linea continua a recuperare la coda lunga per due decenni dopo. Nel frattempo la soglia normativa si sta alzando sotto tutto questo: la SB 54 della California inizia a prelevare circa 500 milioni all'anno dai produttori di imballaggi, con la prima scadenza di rendicontazione a fine maggio 2026, e le norme UE sugli imballaggi richiederanno gradi di riciclabilità e obiettivi di contenuto riciclato in forte crescita, il 30 percento negli imballaggi in plastica entro il 2030, che semplicemente non possono essere raggiunti se la plastica nera continua a finire in discarica. Il materiale recuperato non è più solo ricavo. È conformità.

Cosa dico alle persone che chiedono se hanno davvero bisogno di noi

Due domande saltano fuori quasi ogni volta, e preferisco rispondere qui piuttosto che in una telefonata di vendita.

La prima è se non dovrebbero invece rivolgersi a una delle grandi società di consulenza. Possono farlo, e per alcune questioni dovrebbero. Ma un incarico ad Accenture o Capgemini arriva a costare milioni e produce una matrice di selezione dei fornitori e una roadmap. Non scrive la CNN 1D, non calibra un sensore criorefrigerato rispetto allo specifico fondo del tuo nastro, né realizza l'interfaccia con il PLC. Siamo più piccoli dei system integrator, più veloci del costruire la capacità internamente, dove, francamente, non è facile assumere le persone in grado di qualificare un raffreddatore Stirling o scrivere un algoritmo di tracciamento contro un controllore EtherCAT, e più focalizzati degli OEM il cui lavoro è venderti la loro prossima macchina.

La seconda domanda è quella per cui sono più orgoglioso di come rispondiamo: ne hanno davvero bisogno? A volte la risposta è no. Un impianto sotto le 25.000 tonnellate circa all'anno, con una quota esigua di plastica nera, in una regione dove la discarica costa poco, potrebbe non vedere mai il ritorno dell'investimento. Lo diciamo e ce ne andiamo. Un fornitore di piattaforme, per sua struttura, non può dirti che non fai al caso suo. Noi sì, e i progetti che tornano da noi sono quelli in cui i conti tornano davvero.

Il settore del riciclo ha passato gli ultimi anni a farsi vendere l'«IA» come se fosse una cosa sola che o avevi o non avevi. Non è così. Il vassoio nero che cade nel cassone degli scarti non si cura di quante reti neurali stiano girando a monte. Si cura se qualcosa nell'edificio lo stia guardando in una lunghezza d'onda in cui esso esiste. La maggior parte degli impianti, in questo momento, non lo fa. È un problema più piccolo e più risolvibile di quanto le brochure lascino intendere, e più prezioso di quanto il report sui residui ti dirà mai. Se vuoi vedere come chiuderemmo i conti sulla tua linea, l'analisi completa è qui.